| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 目录 | 第10-13页 |
| 插图索引 | 第13-15页 |
| 附表索引 | 第15-16页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 旋转机械故障诊断研究的意义和目的 | 第16-18页 |
| 1.1.1 旋转机械故障诊断的意义 | 第16-17页 |
| 1.1.2 旋转机械故障诊断的目的 | 第17-18页 |
| 1.2 机械系统故障诊断技术的发展现状与趋势 | 第18-22页 |
| 1.2.0 国外机械系统故障诊断技术的发展现状 | 第18-19页 |
| 1.2.1 国内机械系统故障诊断技术的发展现状 | 第19页 |
| 1.2.3 旋转机械故障诊断发展的五个阶段 | 第19-20页 |
| 1.2.4 旋转机械故障诊断方法的发展和趋势 | 第20-22页 |
| 1.3 旋转机械故障状态监测技术、诊断方式及识别方法 | 第22-25页 |
| 1.3.1 旋转机械故障状态监测技术 | 第22页 |
| 1.3.2 旋转机械故障状态诊断方式 | 第22-23页 |
| 1.3.3 旋转机械故障状态识别方法 | 第23-25页 |
| 1.4 课题来源、研究目的及主要研究内容 | 第25-28页 |
| 1.4.1 课题来源 | 第25页 |
| 1.4.2 研究目的 | 第25页 |
| 1.4.3 主要研究内容及思路 | 第25-26页 |
| 1.4.4 论文的内容安排 | 第26-28页 |
| 第二章 基于多变量预测模型模式识别方法 | 第28-39页 |
| 2.1 概述 | 第28页 |
| 2.2 基于多变量预测模型模式识别方法 | 第28-31页 |
| 2.2.1 基于多变量预测模型模式识别方法的提出 | 第28-29页 |
| 2.2.2 基于多变量预测模型的模式识别过程 | 第29-31页 |
| 2.3 与其它常用的模式识别方法比较 | 第31-38页 |
| 2.3.1 人工神经网络 | 第32-33页 |
| 2.3.2 支持向量机 | 第33-34页 |
| 2.3.3 VPMCD 方法 | 第34-36页 |
| 2.3.4 对比分析 | 第36-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 基于多变量预测模型的旋转机械故障诊断方法 | 第39-53页 |
| 3.1 概述 | 第39页 |
| 3.2 基于 LCD 降噪和 VPMCD 的模式识别方法 | 第39-47页 |
| 3.2.1 基于 LCD 的降噪方法 | 第40-42页 |
| 3.2.2 基于 LCD 降噪和 VPMCD 的滚动轴承故障诊断方法 | 第42-44页 |
| 3.2.3 实例分析 | 第44-47页 |
| 3.3 基于 VPMCD 和模糊熵的模式识别方法 | 第47-52页 |
| 3.3.1 基于 EMD 模糊熵和 VPMCD 的转子系统故障诊断方法 | 第47-48页 |
| 3.3.2 实例分析 | 第48-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 基于 Kriging 函数的 VPMCD 算法及其在旋转机械故障诊断中的应用 | 第53-70页 |
| 4.1 概论 | 第53页 |
| 4.2 基于 KVPMCD 的模式识别方法 | 第53-63页 |
| 4.2.1 Kriging 模型 | 第53-56页 |
| 4.2.2 基于 Kriging 模型的 KVPMCD 模式识别方法 | 第56-57页 |
| 4.2.3 基于 KVPMCD 的滚动轴承故障诊断方法 | 第57-58页 |
| 4.2.4 实例分析 | 第58-63页 |
| 4.3 基于流形学习和 KVPMCD 的模式识别方法 | 第63-69页 |
| 4.3.1 基于 LE 算法和 KVPMCD 的滚动轴承故障诊断方法 | 第63-65页 |
| 4.3.2 实例分析 | 第65-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 改进多变量预测模型及其在旋转机械故障诊断中的应用 | 第70-91页 |
| 5.1 概论 | 第70页 |
| 5.2 基于特征选择和 RRVPMCD 的模式识别方法 | 第70-80页 |
| 5.2.1 基于 Wrapper 模式的距离评价技术特征选择方法 | 第71-72页 |
| 5.2.2 稳健回归 | 第72-74页 |
| 5.2.3 基于 Wrapper 模式特征选择的 RRVPMCD 模型分类识别方法 | 第74-76页 |
| 5.2.4 基于特征选择和 RRVPMCD 的滚动轴承故障诊断方法 | 第76页 |
| 5.2.5 实例分析 | 第76-80页 |
| 5.3 基于嵌入式 SRVPMCD 的模式识别方法 | 第80-89页 |
| 5.3.1 逐步回归 | 第82-83页 |
| 5.3.2 SRVPMCD 模型 | 第83-84页 |
| 5.3.3 基于 SRVPMCD 模型的滚动轴承故障诊断方法 | 第84-85页 |
| 5.3.4 实例分析 | 第85-89页 |
| 5.4 本章小结 | 第89-91页 |
| 第六章 基于 ISVPMCD 的在线诊断方法及其在旋转机械故障诊断中的应用 | 第91-101页 |
| 6.1 概论 | 第91-92页 |
| 6.2 增量式半监督 VPMCD 算法 | 第92-93页 |
| 6.2.1 增量式学习 | 第92页 |
| 6.2.2 半监督自训练方法 | 第92-93页 |
| 6.2.3 增量式半监督 VPMCD | 第93页 |
| 6.3 基于 ISVPMCD 检测算法原理 | 第93-94页 |
| 6.4 基于 ISVPMCD 的齿轮故障诊断方法 | 第94-95页 |
| 6.5 实例分析 | 第95-99页 |
| 6.6 本章小结 | 第99-101页 |
| 结论与展望 | 第101-105页 |
| 本文结论 | 第101-103页 |
| 本文创新 | 第103页 |
| 研究展望 | 第103-105页 |
| 参考文献 | 第105-111页 |
| 致谢 | 第111-112页 |
| 附录A 攻读学位期间发表和录用的论文目录 | 第112-113页 |
| 附录B 攻读学位期间撰写的发明专利 | 第113-114页 |
| 附录C 攻读学位期间参与的科研项目 | 第114页 |
